matlab emd功率谱,结合EMD和功率谱熵的船舶轴频电场线谱提取

不同金属材料构成的船舶在海水中,会在其周围产生电场,其中由转动的螺旋桨对腐蚀和防腐电流的调制而激发出的轴频电场[1],具有随距离衰减慢、线谱特征明显的特点,通常基频约为1~7Hz,海洋环境电场噪声在此频段相对量级较低,因此,轴频电场构成了一种对船舶目标的有效探测源和潜在攻击源[23]。目前随着轴频电场抑制技术[45]的发展,低信噪比下的特征线谱提取方法,已成为轴频电场应用研究的一个热点。根据信号与噪声在特征频段内的能量差异,文献[6]提出了一种基于滑动功率谱估计的检测算法,本质上是频域的能量检测,随噪声强度增加,算法性能下降迅速;文献[7-9]基于小波良好的时频局域化能力,在小波域中利用小波模极大值、小波尺度相关、小波包熵等特征进行信号检测,但小波类算法存在基函数选择缺乏自适应性、降噪阈值设定不易的缺陷;文献[10]将经验模态分解(EmpiricalModeDecomposition,EMD)算法与4阶累积量相结合,利用前者的信号自适应分解能力和后者的抑制高斯过程的性质,取得了不错的效果,但算法中部分参数需要多次试验才能确定。针对上述问题,本文利用轴频信号和环境噪声功率谱窄带分布特点上的差异,基于EMD和定义的能量峰值熵比(EnergyPeakEntropyRatio,EPER)特征,结合K-均值聚类方法,实现了低信噪比下的轴频电场信号特征频率子区间的自动确定。1基本方法简述1.1EMDEMD方法[11]是一种高效的数据自适应信号分解算法,不同于采用三角函数族的傅里叶分析和采用各种小波基函数的小波类算法,其基函数是采用逐级尺度筛选的方式,从数据本身后验地构造出来,因此,本质上来说EMD方法具有自适应性。EMD分解在频域中具有二进尺度分解特性[12],不同阶的IMF反映了不同的频率分量。EMD方法的具体实现步骤参见文献[11]。1.2功率谱熵功率谱熵用于衡量功率谱中各频率分量分布的集中程度。分布集中于少数频点的功率谱,其功率谱熵越小,反之各分量的强度分布越均匀,则熵值会越大[13]。原始功率谱熵定义如下:H=-Ni=1EiElog2(EiE)。(1)E=Ni=1其中:Ei为频段内频点i的功率谱能量值;Ei为所有频点的能量和;N为频点数,由式(1)可看出原始功率谱熵本身是归一化的,没有包含幅值信息。1.3K-均值聚类K-均值聚类是一种广泛使用的迭代梯度分类算法,可无监督地将样本集进行聚类,使得各聚类内部的数据相关性比聚类之间的相关性要高,实施过程简单快速,通过寻找各簇的聚类中心,实现数据分类,具体流程可参考文献[14]。2线谱提取算法2.1算法原理分析轴频电场信号在频域上呈现分立多线谱结构,且线谱频率间存在谐波关系,线谱所在子区间功率谱熵值较小,而理论分析和大量实测数据都表明,海洋环境电场噪声则没有这样的特征结构,与轴频信号的功率谱熵差异明显。考虑到功率谱的能量幅值具有实际的物理意义,为克服采用原始功率谱熵进行筛选带来的偏差,算法定义了功率谱窄带子区间的峰值熵比(EPER)特征:EPER(i)=EimaxHi。(2)其中Eimax为对频率进行等长区间划分后,子区间i的峰值能量,Hi为由(1)式计算出的相应谱熵,由式(2)可知,EPER是线谱特性的有效度量。采用EMD算法可依据信号的尺度特点自适应地进行尺度分解,由于海洋电场噪声相对于轴频信号来说通常频率较低[1],根据各IMF的频率分布区间进行有效IMF的选择。得到了各有效IMF分量的各子区间的EPER特征后,需要考虑如何选择的问题,这也是算法的关键步骤,K-均值聚类算法可以根据样本集自身的分布特点进